作者归档 | Jason Brownlee

分类预测建模涉及为示例预测类别标签，尽管某些问题需要预测类成员资格的概率。对于这些问题，不需要清晰的类别标签，而是需要每个示例属于每个类别的可能性，然后进行解释。因此，小的相对概率可以承载 [...]

分类器的优劣取决于用于评估它的度量标准。如果您选择错误的度量标准来评估模型，您很可能会选择一个糟糕的模型，或者在最坏的情况下，被误导关于模型的预期性能。通常，在应用机器学习中选择合适的度量标准是一项挑战 [...]

大多数不平衡分类问题涉及两个类别：大多数示例的负例和少数示例的正例。有助于解释二元（两类）分类预测模型的两个诊断工具是 ROC 曲线和精确率-召回率曲线。可以创建来自这些曲线的图表并用于理解 [...]

分类准确率是正确预测的总数除以为数据集所做的总预测数。作为性能度量，准确率不适用于不平衡分类问题。主要原因是多数类别（或类别）的压倒性数量将压倒 [...] 中的示例数量。

分类准确率是一种度量，它将分类模型的性能总结为正确预测的数量除以总预测的数量。它易于计算且直观易懂，使其成为评估分类器模型最常用的度量标准。当示例分布 [...] 时，这种直觉就失效了。

不平衡分类问题是一个预测类别标签的问题，其中训练数据集中的类别标签分布是偏斜的。许多现实世界的分类问题都存在不平衡的类别分布，因此机器学习从业者熟悉处理这些类型的问题很重要。在本教程中，[...]

不平衡分类问题是一个预测类别标签的问题，其中训练数据集中的类别标签分布不相等。初学者处理不平衡分类问题时面临的挑战是，特定的偏斜类别分布意味着什么。例如，1:10 与 [...] 的区别和影响是什么？

分类是预测建模问题，涉及为给定示例预测类别标签。通常假定训练数据集中的示例分布在所有类别中是均匀的。在实践中，情况很少如此。那些类别标签中示例分布的分类预测模型 [...]

分类预测建模涉及为给定观测值预测类别标签。不平衡分类问题是分类问题的一个示例，其中已知类别中的示例分布是偏斜或不均匀的。分布可以从轻微偏斜到严重不平衡，其中一个类别中有 [...] 个示例。